噪声与振动控制 ›› 2025, Vol. 45 ›› Issue (2): 82-89.

• 信号处理与故障诊断 • 上一篇    下一篇

基于AMCNN-BiLSTM-CatBoost的滚动轴承故障诊断模型研究

袁建华1, 2,邵星1,王翠香1,皋军1   

  1. ( 1. 盐城工学院信息工程学院,江苏盐城224051;2. 盐城工学院机械工程学院,江苏盐城224051 )
  • 收稿日期:2023-09-05 修回日期:2023-12-28 出版日期:2025-04-18 发布日期:2025-03-27

Fault Diagnosis Model of Rolling Bearings Based on AMCNN-BiLSTM-CatBoost

  • Received:2023-09-05 Revised:2023-12-28 Online:2025-04-18 Published:2025-03-27

摘要: 针对现有的轴承故障诊断模型存在的分类精度差、运算效率不高的问题,提出一种基于注意力机制-卷积神经网络-双向长短期记忆网络-CatBoost(AMCNN-BiLSTM-CatBoost)的滚动轴承故障诊断模型。首先,对原始振动信号进行下采样技术处理,然后将经过下采样后的振动信号作为模型输入,通过3 个不同的卷积模块提取特征,并使用通道注意力模块对提取的特征进行加权融合,然后将经过加权融合后的数据输入到双向长短期记忆网络中进一步地提取时序特征信息,最后输入到CatBoost 中进行故障分类。经过实验表明,该模型不仅能够保证故障诊断的高准确率,还可以大大缩短网络的训练时间。

关键词: 故障诊断, 卷积神经网络, 双向长短期记忆网络, 注意力机制, CatBoost, 轴承